TL;DR
·「Fat Models」叙事认为，模型公司可能向上整合 API、工具、Agent 框架和应用入口。
· 但智能体要跨数据、工具、身份、支付和企业系统执行任务，不能只被看作聊天框升级。
· 模型巨头仍握有算力、资本、模型和分发优势，但编排、记忆、路由、身份等环节可能给创业公司留下空间。

AI Agent 时代，OpenAI、Anthropic、Google 等模型公司会不会像市场期待的那样，继续向上吃掉 API、工具、智能体框架、企业应用和消费入口？

这正是「Fat Models」叙事的核心判断：如果封闭前沿模型持续快速进步，并通过分发和工具链向上整合，AI 产业的大部分价值可能都会流向模型层。但另一种判断是，当 AI 从聊天应用进入智能体时代，价值未必只会沉淀在模型公司手里，而可能扩散到多个新的基础设施层。

「Fat Models」押注模型公司向上整合

大模型公司的路线并不难理解：先拥有最先进的基础模型，再把能力包装成 API、开发工具和智能体框架，最后进入消费者应用和企业工作流。只要模型足够强，上层体验、数据和开发者生态就可能向模型平台聚拢。

这也是资本愿意给头部 AI 公司高估值的重要原因。Reuters 5 月报道显示，Anthropic 完成 650 亿美元 Series H 融资后，投后估值达到 9650 亿美元。OpenAI 今年 3 月披露的最新融资，投后估值为 8520 亿美元。Alphabet 市值也已超过 4 万亿美元，较 2022 年底扩大至三倍以上。市场正在用极高估值押注模型层未来的入口能力和利润空间。

但模型优势是否足以让这些公司同时拥有上方每一层价值，仍然存在争议。前沿模型、算力、研究团队、云基础设施和企业客户资源，确实集中在少数公司手里；可一旦智能体进入真实工作流，价值链就不再只围绕「哪个模型最强」展开。

多个技术周期都出现过类似变化。IBM 曾经把大型机做成硬件、软件、服务一体化系统，后来 PC 生态将其拆分；微软曾经控制桌面，Web 打开了新的应用入口；运营商曾经拥有垂直整合网络，互联网把网络服务拆开；AWS 做出超过千亿美元规模的云平台，但云之上仍然长出了大量独立软件公司。

这些类比想说明的不是「大平台一定会输」，而是一个技术周期在完成基础设施铺设后，价值往往会从单一集成平台外溢到更专业的层。

智能体不是聊天框，而是跨系统执行任务

Agent 生态的关键变化，是 AI 不再只是回答问题，而是开始承担任务。围绕智能体堆栈，模型、编排、记忆、执行、身份、支付等多个层都可能形成独立价值。不同公司会在各自层面组合、竞争，而不是全部依附于同一家模型平台。

支撑这一判断的第一个变化，是模型供给正在变多。前沿模型仍然领先，但开源权重模型、边缘模型和商业模型也在持续出现。不同模型在能力、延迟和成本上各有差异。对于不少商业工作负载，企业和开发者会在成本、速度、稳定性和任务质量之间做组合，而不是默认把所有请求都交给最贵、最强的模型。

第二个变化，是 AI 应用场景过于分散。一个模型公司可以做出通用聊天应用，也可以切入办公、代码、搜索等大入口，但智能体要真正进入医疗、金融、制造、法律、客服、采购、物流等具体流程，每个行业都有自己的数据结构、合规要求、操作习惯和系统接口。单一公司很难在所有场景里都做出最合适的产品。

企业生产环境也会强化这种拆分。实验阶段，企业可以接受一个模型演示或封闭聊天工具。一旦进入关键流程，客户会要求数据驻留、权限管理、审计记录、成本控制、供应商可替换性和合规证明。此时，企业更希望组装合适的组件，而不是被迫接受单一平台的默认选择。

这也是智能体与传统聊天应用的关键差异。一个医疗智能体可能需要读取病历、检查药物相互作用、调用医院系统、生成建议并留下审计记录。一个企业采购智能体可能需要接入库存、合同、审批流、供应商系统和支付网络。它们更像在多个服务之间移动的「执行者」，而不是运行在单一窗口里的问答工具。

编排、记忆、路由和身份，可能从模型外长出来

智能体基础设施可以被拆成多个方向：编排、harness、记忆、浏览器、路由、模型市场、身份和支付。更直白地说，这些层分别对应：如何管理多个智能体，如何把模型连接到现实工具，如何保存和共享上下文，人如何与智能体交互，请求该交给哪个模型，如何证明智能体身份，以及智能体如何完成付款。

编排层可能成为智能体时代的控制台。当企业内部同时运行多个智能体，它们需要被部署、监控、授权、协作，也需要被限制风险。单个模型 API 很难解决完整的流程管理问题。

Harness 可以理解为模型的「执行外壳」。如果大模型是大脑，harness 就负责把它接入文件、数据库、网页、机器人、企业软件和物理设备。不同场景需要不同的工具连接方式，这会催生更专门化的产品。

记忆层处理的是上下文迁移问题。当多个智能体都要理解同一个用户、同一家企业或同一项任务时，上下文不能被锁死在某一个聊天窗口里。谁能提供可迁移、可授权、可审计的数字记忆，谁就可能成为新的基础设施。

路由和模型市场的价值来自多模型部署。若企业同时使用多个模型，就需要判断哪类任务交给哪个模型更合适，怎样在成本、延迟和准确率之间平衡。模型竞争由此不只是排行榜上的竞争，也会变成真实生产环境里的调度问题。

身份和支付更偏未来，但关系到智能体能否真正执行交易。随着机器流量和智能体行为增加，网络需要区分谁在发起请求、它是否被授权、能不能完成付款。智能体如果要参与电商、订阅、微支付或企业采购，现有面向人的支付和身份系统也可能需要被改造。

模型巨头仍强，但未必吃下全部价值

这种模块化叙事的边界也很清楚。它不是在说大模型公司会失去主导权。前沿模型仍然是 AI 体验的底座，算力、数据、研究团队和分发能力仍然集中在少数巨头手里。如果模型能力继续快速拉开差距，上层生态仍可能围绕头部平台聚集。

真正的分歧在于，智能体时代的价值会不会像聊天应用阶段那样集中。当 AI 进入真实工作流，用户关心的不只是「哪个模型最聪明」，还包括能否接入旧系统、能否更换供应商、能否控制成本、能否审计，以及能否跨工具完成任务。

这给独立创业公司留下了空间，但不代表每一个层都会长成大公司。编排、记忆、身份、支付、浏览器和路由等方向，最终都要证明自己有足够强的入口、网络效应或收费能力，否则很容易变成模型平台的一项功能。

大模型巨头正在把能力向上整合，创业公司和投资人则押注智能体生态会拆出更多专业层。AI Agent 时代的核心未解问题是：模型会成为吞下全栈的超级平台，还是成为新一轮模块化基础设施的起点？